112
ISSN en línea:
2631-2913
MODELO DE PREDICCIÓN DE DEMANDA
PARA LA OPTIMIZACIÓN DE LA CADENA DE
SUMINISTROS
DEMAND PREDICTION MODEL FOR SUPPLY CHAIN
OPTIMIZATION
Recibido: 28/03/2025 – Aceptado: 25/04/2025
Eduardo Daniel Revelo Chacón
Investigador Independiente
Ecuador
Ingeniero en Logística y Transporte
Universidad Politécnica Estatal del Carchi
eduardo.revelo@upec.edu.ec
ORCID:
https://orcid.org/0000-0003-4728-4357
Iván Gabriel Mafa Bolaños
Docente en la Universidad Politécnica Estatal del Carchi
Ecuador
Magister en Gerencia de Sistemas
Universidad de las Fuerzas Armadas
gabriel.mafa@upec.edu.ec
ORCID:
https://orcid.org/0000-0003-1841-2831
113
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Cómo citar este artículo:
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero – junio de 2025). Modelo
de predicción de demanda para la optimización de la cadena de
suministros.
Visión Empresarial
, Vol. 15, Núm. 2, 112 – 135. https://doi.
org/10.32645/13906852
.1380
114
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Resumen
Este estudio propone un modelo de predicción de demanda basado en inteligencia artifcial 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
refeja 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.
Palabras clave:
Predicción de demanda, inteligencia artifcial, optimización de cadena de suministros,
redes neuronales;
Abstract
This study proposes a demand prediction model based on artifcial intelligence to optimize the supply
chain of the pharmaceutical distributor Grupo Montalvo. The main objective is to improve the accuracy
of medication demand forecasting using both statistical and machine learning models, including Simple
Exponential Smoothing (SES), ARIMA, SARIMA, Holt-Winters, Random Forest, neural networks
(NN), and LSTM. The models were evaluated using performance metrics such as Mean Squared Error
(MSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). Results showed
that the neural network model (NN) performed the best, achieving an MSE of 8.10e-06, an RMSE of
0.0028, and an MAE of 0.0016. In comparison, the Random Forest model had an MSE of 2.04e+09
and an RMSE of 45232.60, indicating signifcantly lower performance. The LSTM model, on the other
hand, displayed an extremely high MSE of 1.07e+21, suggesting the need for further adjustments.
These fndings highlight the superiority of neural networks in providing accurate demand predictions,
contributing to more effcient supply chain decision-making and optimization.
Keywords:
Demand prediction; artifcial intelligence; supply chain optimization; neural networks;
Código JEL
: O3–O30
115
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Introducción
La industria farmacéutica enfrenta numerosos problemas de cadena de suministro debido a la
variabilidad de la demanda, la necesidad de controlar los niveles óptimos de inventario y a cumplir
con las regulaciones de seguridad sanitaria estrictas. Tales situaciones generan costos, pérdidas rotas y
posibles rupturas de suministro, perjudicando tanto a las empresas de la industria como a los pacientes
que dependen de suministros de medicamentos constantes. En vista de este contexto, improvisar la
precisión del pronóstico de demanda se vuelve indispensable para transformar la operativa y reducir los
costos logísticos de manera signifcativa.
Estudios anteriores han investigado el uso de modelos de IA para la predicción de la demanda en
el sector farmacéutico. Por ejemplo, Zhang (2019) Aplicaron métodos de aprendizaje automático para
mejorar la precisión en el pronóstico de la demanda de medicamentos en los hospitales. Por otro lado,
los autores Chauhan & Soni (2020) examinaron el suministro optimización de la cadena en la industria
farmacéutica basándose en Random Forest. No obstante, es posible que la mayoría de los estudios
anteriores centralizaran la aplicación de modelos estadísticos estándar y no exploraran en profundidad
cómo funciones como redes neuronales corta larga plazo pueden mejorar los pronósticos en situaciones
altamente variabilidad.
Esta investigación se basa en dos enfoques clave: el modelado estadístico de series temporales
y el uso de técnicas de inteligencia artifcial. Según Hyndman y Athanasopoulos (2018), se utilizan
modelos como ARIMA y el Suavizado Exponencial, que se fundamentan en la idea de que los patrones
históricos en los datos pueden ayudarnos a predecir tendencias futuras. Por otro lado, los modelos de
inteligencia artifcial, como Random Forest y las redes neuronales profundas (NN), se apoyan en teorías
del aprendizaje automático. Liaw y Wiener (2019) describen el algoritmo Random Forest como un
método que utiliza múltiples árboles de decisión, lo que permite generar pronósticos más robustos y
precisos en comparación con modelos de regresión más simples. Además, las redes neuronales y LSTM
se basan en el concepto de aprendizaje supervisado y se utilizan para modelar relaciones no lineales
y dinámicas complejas. Esto es algo que Chollet (2018) y Goodfellow (2016) han destacado, siendo
pioneros en el desarrollo de redes neuronales profundas y su aplicación en diversas áreas, incluyendo el
análisis de series temporales.
En la distribuidora farmacéutica Grupo Montalvo, ubicada en Ibarra, Ecuador, no existía
un modelo efciente de predicción de demanda basado en inteligencia artifcial, lo que limitaba la
optimización de su cadena de suministro. La planifcación de inventarios y compras se realizaba con
métodos tradicionales que no consideraban el análisis avanzado de datos ni la capacidad de aprendizaje
de patrones históricos. Esta carencia difcultaba la toma de decisiones estratégicas, aumentando la
incertidumbre en la gestión de recursos y afectando la disponibilidad de medicamentos en el mercado.
El propósito de esta investigación fue desarrollar un modelo de predicción de demanda para
Grupo Montalvo, integrando modelos estadísticos y técnicas de inteligencia artifcial con el fn de
mejorar la precisión de los pronósticos y optimizar la gestión de la cadena de suministro. Para ello,
se evaluaron modelos como Suavizado Exponencial Simple (SES), ARIMA, SARIMA, Holt-Winters,
Random Forest, redes neuronales artifciales (NN) y LSTM, comparando su desempeño mediante
métricas como el error cuadrático medio (MSE), el error absoluto medio (MAE) y el error porcentual
absoluto medio (MAPE).
La principal contribución de esta investigación radica en la aplicación de enfoques avanzados
de inteligencia artifcial para mejorar la planifcación logística y la distribución de medicamentos,
reduciendo costos de inventario y aumentando la efciencia en la cadena de suministro. Los resultados
116
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
obtenidos permitieron no solo optimizar los procesos internos de Grupo Montalvo, sino que también
pueden servir de referencia para otras empresas farmacéuticas que enfrentan desafíos similares en
mercados con alta incertidumbre y estrictas regulaciones.
Marco teórico
Planifcación en la cadena de suministros
El concepto de planifcación está asociado con la anticipación de eventos futuros y la organización de
las actividades necesarias para abordar estos eventos de manera efciente y efcaz. La planifcación busca
establecer una dirección clara, establecer prioridades, asignar recursos de manera adecuada e identifcar
y anticipar posibles obstáculos que puedan surgir en el camino (Affonso, 2023).
La planifcación es fundamental para la anticipación y organización efciente de eventos futuros.
Al establecer dirección, prioridades, asignar recursos y prevenir obstáculos, se asegura una gestión
efectiva y preparación para enfrentar desafíos, garantizando el logro de objetivos de manera óptima.
La SCM es el ciclo de vida de un producto o servicio, desde que se concibe hasta que se consume.
Un subsistema dentro de la organización que engloba la planifcación de las actividades de suministro,
fabricación y distribución de los productos. La cadena de suministro engloba la oferta y la demanda,
dentro y fuera de la empresa y es una flosofía de trabajo integradora para gestionar todos los fujos en
los distintos canales de distribución: proveedores, clientes y consumidores fnales (Estaún, 2023).
La cadena de suministros abarca el ciclo completo de vida de un producto o servicio, desde
su concepción hasta su consumo. Es un subsistema organizacional que coordina la planifcación de
actividades de suministro, fabricación y distribución, integrando oferta y demanda tanto interna como
externamente.
Características de la inteligencia artifcial
La Inteligencia Artifcial combina inteligencia con ingeniería para desarrollar herramientas que apoyen
la inteligencia humana y crear máquinas que ejecuten tareas humanas que exigen inteligencia. Estos
sistemas almacenan, manipulan datos, adquieren y aplican conocimiento, deducen información nueva y
resuelven problemas complejos mediante representaciones y métodos específcos (Lopes et al., 2021).
La Inteligencia Artifcial permite potenciar capacidades humanas y crear sistemas capaces
de realizar tareas complejas, estos procesan datos, aplican conocimiento, generan nueva información
y resuelven desafíos mediante métodos especializados, destacando su versatilidad y capacidad para
abordar problemas diversos de manera efciente.
Aplicaciones de la inteligencia artifcial
Abarcan desde la automatización de tareas administrativas y transporte hasta la gestión de almacenes
para mejorar la efciencia y seguridad. Además, la IA permite análisis predictivos más precisos para
anticipar la demanda y tendencias del mercado, mejorando la gestión de inventario y reduciendo costos.
Asimismo, la IA contribuye a una gestión más efciente de las relaciones con proveedores al facilitar la
selección, evaluación del desempeño y automatización de comunicaciones. La visión artifcial impulsada
por IA transforma la calidad y gestión del inventario, mientras que la sostenibilidad se ve favorecida
mediante la optimización de rutas y la reducción de emisiones en la cadena de suministro (Ortiz, 2023).
La Inteligencia Artifcial (IA) impulsa la automatización, análisis predictivo, gestión de
proveedores, visión artifcial y sostenibilidad en la cadena de suministro, mejorando la efciencia,
seguridad, gestión de inventario y relaciones comerciales, y optimizando la calidad, gestión del
inventario y sostenibilidad.
117
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Importancia de la inteligencia artifcial
La IA permite una mayor visibilidad y trazabilidad de los productos a lo largo de la cadena de suministros,
lo que facilita la detección y resolución de problemas de manera más rápida y efciente. Además, puede
identifcar patrones y tendencias en los datos, lo que ayuda a tomar decisiones más informadas y a
anticipar posibles interrupciones o riesgos en la cadena de suministros (Gutiérrez y Polo, 2023).
La Inteligencia Artifcial (IA) optimiza la supervisión y seguimiento de productos en la cadena
de suministro, agilizando la identifcación y solución de inconvenientes. Al analizar datos para detectar
patrones y tendencias, facilitar la toma de decisiones fundamentadas, prevenir interrupciones y gestionar
riesgos, mejorando la efcacia operativa y la capacidad de respuesta logística.
Inteligencia artifcial y redes neuronales
Tanto la inteligencia artifcial como las redes neuronales son tecnologías que han revolucionado la
forma en que vivimos y trabajamos. Aunque es difícil determinar cuál es la mejor opción, es importante
entender que depende del problema a resolver. La inteligencia artifcial es una herramienta versátil que
se puede aplicar en diferentes categorías, mientras que las redes neuronales son idóneas para solucionar
problemas específcos (Pérez, 2023).
Modelos de predicción de demanda
Demanda
“La demanda es la suma de bienes y servicios requeridos por los consumidores considerando diferentes
precios durante un determinado período de tiempo” (Pereda, 2021).
Esta defnición resalta la relación entre precios y la cantidad demandada, subrayando la infuencia
de factores económicos y temporales en el comportamiento del consumidor y en la planifcación
estratégica de las empresas. Entender y anticipar la demanda es fundamental para la toma de decisiones
efectivas en la gestión de inventarios, precios y estrategias de mercado.
Pronóstico
“Es una estimación cuantitativa o cualitativa de uno o varios factores (variables) que conforman un
evento futuro, con base en información actual o del pasado” (Villarreal, 2016).
El pronóstico permite utilizar información previa para prevenir posibles escenarios y tomar
decisiones informadas en diversos ámbitos, desde la planifcación empresarial hasta la gestión de riesgos,
realizar proyecciones precisas es fundamental para la toma de decisiones estratégicas y la preparación
para eventos futuros.
Métodos tradicionales estadísticos
Regresión lineal
La regresión lineal es una técnica de análisis de datos que predice el valor de datos desconocidos mediante
el uso de otro valor de datos relacionado y conocido. Modela matemáticamente la variable desconocida
o dependiente y la variable conocida o independiente como una ecuación lineal (Avilés, 2024).
La regresión lineal es una herramienta fundamental en el análisis de datos, esta técnica
proporciona una forma estructurada y matemática de entender y prever comportamientos en diversos
contextos. La regresión lineal es ampliamente utilizada en la estadística y el aprendizaje automático para
realizar predicciones y tomar decisiones fundamentadas en base a datos.
118
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Media móvil
“Este método consiste en el suavizado de la serie dada, promediando sus observaciones con valores con
valores contiguos, anteriores y posteriores” (Martínez, 2024, pág. 31).
Es una herramienta común en el análisis de datos para mejorar la interpretación y la precisión en
la identifcación de tendencias signifcativas, implica promediar observaciones con valores adyacentes,
tanto anteriores como posteriores.
ARIMA
“Los Modelos de Promedio Móvil Autorregresivo Integrado, (ARIMA), por sus siglas en inglés, son
una clase de modelos que tienen la capacidad de operar sobre series de tiempo estacionarias o no
estacionarias” (Ruelas y Laguna, 2014).
Permite analizar y la predecir datos temporales, adaptándose a diferentes tipos de comportamientos
en las series, permitiendo modelar y predecir con precisión cualquier tipo de fenómeno.
Métodos de inteligencia artifcial
Redes neuronales artifciales
“En inteligencia artifcial, las redes neuronales artifciales son modelos muy precisos en tareas como
la clasifcación y la regresión en el estudio de fenómenos naturales, pero se consideran “cajas negras”
porque no permiten explicación directa de aquello que abordan.” (Rodríguez, 2024).
Esta técnica de regresión no sigue un modelo específco ni una relación lineal entre variables,
lo que le permite predecir series temporales de forma efectiva. Siendo fexible, adaptándose a diferentes
patrones de datos, aprendiendo de la información disponible y representa relaciones complejas y no
lineales entre variables.
Redes neuronales para el pronóstico de series de tiempo
“Modelo de red neuronal para series de tiempo En la literatura se proponen diferentes estructuras de
redes neuronales para analizar y obtener pronósticos de las series de tiempo. El modelo de red neuronal
multicapa (RNM) es el más utilizado, comprende un conjunto de nodos (unidades de procesamiento) los
cuales están organizados y distribuidos en tres capas: una capa de entrada, al menos una capa oculta y
una capa de salida” (Zhang et al., 1998).
El modelo de red neuronal para series de tiempo emplea estructuras como la red neuronal
multicapa (RNM) para pronósticos. Consta de nodos en tres capas: entrada, oculta y salida, siendo la
RNM la más comúnmente utilizada en análisis y predicciones.
Materiales y métodos
La investigación realizada corresponde a un estudio cuantitativo y predictivo, cuyo propósito fue
desarrollar un modelo de predicción de demanda aplicando técnicas estadísticas y de inteligencia
artifcial. Se centró específcamente en el análisis del Clonazepam 2 mg, un medicamento que representa
el 9.21% de las ventas de la distribuidora farmacéutica Grupo Montalvo. La elección de este producto
responde a su relevancia dentro de la cadena de suministro de la empresa y su impacto en la planifcación
y gestión de inventarios.
El estudio se llevó a cabo bajo un diseño no experimental y de tipo transversal, dado que se
analizaron datos históricos sin intervención en el proceso de distribución del medicamento. Se empleó
el análisis de series temporales como base metodológica, examinando patrones de demanda del
Clonazepam 2 mg entre los años 2020 y 2024 con el fn de desarrollar modelos predictivos que permitan
anticipar necesidades futuras. La muestra estuvo conformada por 118 registros mensuales de ventas
119
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
correspondientes a este período, los cuales fueron obtenidos de los sistemas internos de la empresa. Para
garantizar la fabilidad de los datos, se aplicaron criterios de inclusión que consideraron únicamente los
registros completos de ventas e inventarios, excluyendo datos incompletos o referentes a otros productos
farmacéuticos.
El estudio se realizó en la distribuidora farmacéutica Grupo Montalvo, ubicada en Ibarra, Ecuador.
La empresa proporcionó los datos históricos de demanda, los cuales fueron recolectados a través de
registros administrativos del departamento de logística y ventas. Para el procesamiento de los datos, se
emplearon herramientas de análisis en Google Colab con Python, utilizando bibliotecas especializadas
en modelado predictivo. Se implementaron modelos de predicción mediante los algoritmos de Random
Forest, redes neuronales y redes de memoria a largo corto plazo (LSTM), desarrollados con TensorFlow
y Keras. Los modelos fueron evaluados con métricas de error como el error cuadrático medio (MSE), el
error absoluto medio (MAE) y el error porcentual absoluto medio (MAPE), con el fn de determinar su
capacidad de predicción en comparación con métodos tradicionales.
La investigación se realizó bajo estrictas consideraciones éticas, garantizando la confdencialidad
de los datos utilizados. Toda la información procesada fue de carácter agregado y anónimo, sin involucrar
datos personales de pacientes. La empresa otorgó la autorización para el uso de estos registros con fnes
académicos, asegurando que su aplicación se limitara exclusivamente al ámbito de este estudio.
Entre las limitaciones del estudio se encuentra el hecho de que el análisis se restringió a un solo
medicamento, lo que difculta la generalización de los resultados a otros productos dentro de la empresa.
Asimismo, factores externos como fuctuaciones estacionales o cambios imprevistos en la demanda
podrían afectar la precisión de los modelos predictivos, limitando su aplicabilidad en escenarios de
alta variabilidad. Sin embargo, la metodología desarrollada sienta las bases para su implementación
en otros productos, permitiendo optimizar la planifcación de la cadena de suministro en la industria
farmacéutica.
120
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Resultados y discusión
En esta sección se exponen los resultados obtenidos de la implementación de los modelos de predicción
de demanda para el Clonazepam 2 mg durante el periodo comprendido entre 2020 y 2024. En la fgura
1 se presentan un esquema de los productos más vendidos en Grupo Montalvo, siendo el Clonazepam
2 mg el 9.21% del total de ventas.
Figura 1.
Productos más vendidos
En la Figura 2 se muestra la frecuencia y el volumen de compras de la empresa, en el cual se
puede determinar un comportamiento continuo y constante, semejante a las operaciones de una empresa
de la industria farmacéutica.
Figura 2.
Tendencia de compras
121
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
La Figura 3 muestra la evolución de la demanda de Clonazepam 2 mg durante el periodo de
estudio. A lo largo de los años, se pueden observar fuctuaciones que podrían sugerir la existencia de
patrones estacionales, como picos o valles en ciertas épocas del año. Estos cambios podrían estar asociados
con factores externos como campañas de salud pública, variaciones en el suministro o la prescripción
del medicamento. Además, la tendencia general de la demanda ofrece una idea de la dirección que
podría tomar en el futuro, lo que será importante para la calibración de los modelos predictivos
Figura 3.
Demanda real
A continuación, se presentan los resultados obtenidos de la evaluación de los modelos de
predicción, basados en el análisis de las métricas de desempeño y la comparación visual entre las
predicciones y los valores reales. Se incluye la evaluación de las predicciones de SMA, WMA, SES,
HW, ARIMA, SARIMA, Random Forest, Redes Neuronales (NN) y LSTM mediante diversas métricas,
tales como MSE, RMSE, MAE, y MAPE. Además, se complementa el análisis con visualizaciones
gráfcas que ilustran el rendimiento de cada modelo.
Predicciones vs. Valores Reales
La Figura muestra la comparación entre las predicciones de los distintos modelos y los valores reales de
la demanda de Clonazepam 2 mg. Se observa que los modelos Redes Neuronales (NN) y LSTM siguen
de cerca las variaciones de la demanda real, adaptándose bien a las fuctuaciones de la serie temporal. En
contraste, modelos como SMA, WMA y SES no logran captar las variabilidad de la demanda, presentando
predicciones que se desvían considerablemente de los valores reales. Los modelos ARIMA y SARIMA
capturan parcialmente las tendencias, pero muestran un desfase en las predicciones, especialmente en
las fuctuaciones abruptas.
122
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Figura 4.
Predicciones vs. Valores Reales
Análisis de Residuos
La Figura 5 ilustra la evolución de los residuos (diferencias entre los valores reales y las predicciones)
a lo largo del tiempo. Los residuos para NN y LSTM son pequeños y casi aleatorios, lo que indica que
estos modelos son los más precisos en sus predicciones. En cambio, los modelos tradicionales como
SMA, WMA y SES presentan residuos más grandes y con patrones claros, lo que sugiere que estos
modelos no son capaces de capturar correctamente las fuctuaciones en los datos. ARIMA y SARIMA
muestran residuos moderadamente grandes, lo que sugiere que estos modelos, aunque más precisos que
los tradicionales, no logran un ajuste perfecto.
Figura 5.
Residuos vs. Tiempo
Distribución de las Predicciones
En la Figura 6 presenta un diagrama de caja que muestra la distribución de las predicciones de cada
modelo. Se observa que NN y LSTM tienen distribuciones más concentradas, lo que indica que estos
modelos son consistentes en sus predicciones. Por el contrario, SMA y WMA muestran una mayor
123
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
dispersión, sugiriendo que las predicciones de estos modelos son menos precisas y varían más a lo
largo del tiempo. Este gráfco resalta la capacidad de NN y LSTM para ofrecer resultados más estables
y precisos.
Figura 6.
Distribución de las Predicciones
124
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Error Acumulado
La fgura 7 presenta el error acumulado a lo largo del tiempo para cada modelo. Se observa que NN y
LSTM tienen el menor error acumulado, lo que indica que son los modelos más precisos a lo largo de
todo el período de predicción. Por otro lado, los modelos tradicionales como SMA, WMA y SARIMA
muestran un error acumulado signifcativamente mayor, lo que refeja un peor desempeño en la predicción
de la demanda. El Random Forest, a pesar de ser un modelo más complejo, también presenta un error
acumulado elevado, similar a los modelos tradicionales.
Figura 7.
Error Acumulado
Ranking de Modelos por RMSE
La Figura 8 muestra el ranking de los modelos según el RMSE (Raíz del Error Cuadrático Medio). Este
gráfco confrma que NN y LSTM son los modelos con el RMSE más bajo, lo que refeja su alta precisión
en la predicción de la demanda. Los modelos como SMA, WMA, ARIMA y SARIMA presentan valores
de RMSE intermedios, mientras que el modelo Random Forest tiene el RMSE más alto, lo que indica un
desempeño mucho más bajo en comparación con los otros modelos.
Figura 8.
Ranking de Modelos por RMSE
125
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Correlación entre Predicciones de los Modelos
La fgura 9 muestra la matriz de correlación lineal entre las predicciones de los diferentes modelos.
Se observa que NN y LSTM tienen una alta correlación entre sí, lo que indica que ambos modelos
realizan predicciones similares. Los modelos tradicionales, como SMA y WMA, presentan una baja
correlación con los modelos más avanzados, lo que refeja su menor capacidad para captar las relaciones
subyacentes en los datos. Sin embargo, ARIMA y SARIMA muestran una correlación moderada con
los modelos avanzados, lo que sugiere que, aunque no son tan precisos como NN y LSTM, tienen un
rendimiento relativamente mejor que los modelos tradicionales.
Figura 9.
Correlación entre Predicciones de los Modelos
Descripción General de los Modelos de Predicción
A continuación, la tabla 1 analiza el desempeño de los modelos utilizando las métricas de MSE, RMSE,
MAE y MAPE.
Tabla 1.
Comparación de métricas de evaluación para los modelos de predicción
Modelo
MSE
RMSE
MAE
MAPE %
Neural Network
8.10e-06
0.0028
0.0016
39.76
Random Forest
2.04e+09
45232.60
23181.99
580.98
SMA
5.68e+09
75370.15
33610.05
879.75
WMA
6.63e+09
81430.84
34956.46
891.27
126
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Holt-Winters
8.60e+09
92746.95
43835.98
1210.78
ARIMA
8.62e+09
92832.12
41547.27
1339.07
SES
9.48e+09
97343.43
45967.40
1346.68
SARIMA
9.93e+09
99631.67
48628.94
1582.69
LSTM
1.07e+21
58671.81
41779.02
1165.27
Neural Network (Red Neuronal):
•
MSE:
Es el modelo con el valor más bajo de MSE (8.096245e-06), lo que indica que
sus predicciones están muy cerca de los valores reales.
•
RMSE:
Con un valor de 0.002845, el modelo también presenta un RMSE
signifcativamente bajo, lo que confrma que la red neuronal es capaz de realizar
predicciones precisas con mínimos errores de magnitud.
•
MAE:
El MAE de 0.001560 es excepcionalmente bajo, lo que refuerza la idea de que
este modelo es muy preciso en sus predicciones.
•
MAPE:
El MAPE (39.76%) es relativamente bajo, lo que indica que el error en
porcentaje con respecto a la demanda real es pequeño.
Random Forest:
•
MSE:
Aunque el valor de MSE es extremadamente alto (2.045988e+09), el RMSE
(45232.60) es también muy grande, lo que indica que el modelo tiene un alto margen
de error.
•
MAE:
El MAE (23181.99) es muy alto, lo que sugiere que las predicciones de Random
Forest tienen un error signifcativo, tanto en términos absolutos como relativos.
•
MAPE:
El MAPE de 580.98% es signifcativamente alto, lo que indica que el
modelo tiene una baja capacidad para predecir la demanda correctamente en términos
porcentuales.
Modelos Tradicionales (SMA, WMA, SES, HW, ARIMA, SARIMA):
•
MSE, RMSE, MAE y MAPE:
Los modelos tradicionales como SMA, WMA, SES,
HW, ARIMA y SARIMA tienen valores de MSE, RMSE, MAE y MAPE mucho más
altos en comparación con la Red Neuronal (NN) y LSTM. Aunque muestran alguna
capacidad para predecir la demanda, sus predicciones son mucho más imprecisas.
•
SMA y WMA:
son los modelos más simples y presentan errores signifcativos en todas
las métricas, con un MAPE superior al 870%. Esto sugiere que estos modelos no son
adecuados para capturar la complejidad de la serie temporal de demanda.
•
ARIMA y SARIMA:
aunque más sofsticados que SMA y WMA, presentan errores
también elevados, especialmente en términos de MAPE (superior a 1300%) y MAE
(más de 40000), lo que indica que aún no son tan efectivos como los modelos basados
en redes neuronales.
LSTM:
•
MSE:
El valor de MSE de LSTM (1.068007e+21) es extremadamente alto, lo cual es
atípico y podría indicar que hubo un error en el cálculo o en la normalización de los
127
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
datos para este modelo. Este valor tan alto puede ser una anomalía, ya que en términos
de RMSE, MAE y MAPE, LSTM muestra un desempeño similar al de Neural Network.
•
RMSE, MAE, MAPE:
A pesar del valor atípico en MSE, el RMSE (58671.81), MAE
(41779.02) y MAPE (1165.27%) son razonablemente buenos, aunque ligeramente
peores que los de la Red Neuronal.
Análisis técnico de la estructura del modelo
El modelo de pronóstico se basó en técnicas estadísticas y de aprendizaje automático para el análisis de
series temporales, con un preprocesamiento que incluyó limpieza, escalado y segmentación de datos.
Se emplearon métodos como promedios móviles, suavizado exponencial, ARIMA, SARIMA, Random
Forest, Redes Neuronales y LSTM, cuya precisión se evaluó mediante métricas como MSE, RMSE,
MAE y MAPE.
La arquitectura del modelo se ha diseñado de forma modular, utilizando la librería diagrams
para visualizar el fujo del proceso. En la Figura 10, se presenta el esquema de la funcionalidad del
modelo, esta representación, organizada en clústeres (entrada de datos, preprocesamiento, modelos y
evaluación), facilita la comprensión y el mantenimiento del sistema. Las conexiones entre los nodos,
establecidas mediante el operador >>, explicitan las dependencias de datos y la secuencia de operaciones.
Si bien el diagrama presenta una visión de alto nivel, la implementación completa requiere la integración
de librerías especializadas como
statsmodels
,
scikit-learn
o
tensorfow/keras
, que proporcionan los
algoritmos y funciones necesarias para el entrenamiento y la predicción.
Figura 10.
Estructura del modelo de predicción de demanda
128
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
A continuación, se presentan el detalle técnico usados en la programación para cada uno de los
modelos:
1.- SMA (Promedio Móvil Simple)
Descripción:
Se implementó el modelo SMA para calcular el promedio de los valores de demanda en una ventana de
tiempo de 3 periodos. Este modelo, si bien simple y fácil de implementar, presentó sensibilidad a valores
atípicos y no capturó patrones estacionales.
Código:
data[
“SMA”
] = data[
“demanda”
].rolling(window=3).mean()
Parámetros/Indicadores clave:
•
Ventana: 3 periodos.
•
Promedio: Demanda promedio dentro de la ventana.
•
Sensibilidad a valores atípicos: Alta.
2.- WMA (Promedio Móvil Ponderado)
Descripción:
Similar al SMA, se implementó el modelo WMA, asignando pesos diferentes a los valores dentro de
la ventana de tiempo de 3 periodos, priorizando los valores más recientes. Se utilizaron los pesos [0.5,
0.2, 0.3].
Código:
data[“WMA”] = data[“demanda”].rolling(window=3).apply(
lambda x: np.
dot(x, weights), raw=True)
Parámetros/Indicadores clave:
•
Ventana: 3 periodos.
•
Pesos: [0.5, 0.2, 0.3].
•
Promedio ponderado: Demanda promedio ponderada dentro de la ventana.
3.- SES (Suavizado Exponencial Simple)
Descripción:
Se implementó el modelo SES para asignar pesos exponencialmente decrecientes a las observaciones
pasadas para el pronóstico de valores futuros. Este modelo se consideró adecuado para series de tiempo
sin tendencia ni estacionalidad pronunciadas.
Código:
ses_model = SimpleExpSmoothing(data[
“demanda”
]).ft(smoothing_level=
0.2
)
data[
“SES”
] = ses_model.fttedvalues
129
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Parámetros/Indicadores clave:
•
Nivel de suavizado (alpha): 0.2.
•
Pronóstico suavizado: Valor pronosticado para el siguiente periodo.
•
Sensibilidad a cambios: Moderada.
4.- Holt Winters
Descripción:
Se implementó el modelo Holt Winters, una extensión del SES que consideró la tendencia y la
estacionalidad en los datos. Este modelo, más complejo, se seleccionó por su capacidad para manejar
series de tiempo con patrones estacionales y tendencias.
Código:
hw_model = ExponentialSmoothing(data[
“demanda”
], trend=
”add”
, seasonal=
”add”
, seasonal_
periods=12).ft()
data[
“HW”
] = hw_model.fttedvalues
Parámetros/Indicadores clave:
•
Nivel de suavizado (alpha): Automáticamente ajustado.
•
Tendencia (beta): Automáticamente ajustado.
•
Estacionalidad (gamma): Automáticamente ajustado.
•
Periodo estacional: 12.
5.- ARIMA (Modelo Autorregresivo Integrado de Media Móvil)
Descripción:
Se implementó el modelo ARIMA para modelar la demanda como una combinación de sus valores
pasados, errores pasados y un componente de media móvil. Este modelo, versátil para series de tiempo
estacionarias, permitió capturar patrones complejos.
Código:
arima_model = ARIMA(data[
“demanda”
], order=(5, 1, 2)).ft()
data[
“ARIMA”
] = arima_model.predict(start=0, end=len(data)-1)
Parámetros/Indicadores clave:
•
Orden (p, d, q): (5, 1, 2).
•
Autocorrelación (ACF): Usada para determinar el orden.
•
Autocorrelación parcial (PACF): Usada para determinar el orden.
130
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
6.- SARIMA (Modelo Autorregresivo Integrado de Media Móvil Estacional)
Descripción:
Se implementó el modelo SARIMA, una extensión de ARIMA que incorporó un componente estacional,
para el análisis de series de tiempo con patrones estacionales y no estacionarias.
Código:
sarima_model = SARIMAX(data[
“demanda”
], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12)).ft()
data[
“SARIMA”
] = sarima_model.predict(start=0, end=len(data)-1)
Parámetros/Indicadores clave:
•
Orden (p, d, q): (1, 1, 1).
•
Orden estacional (P, D, Q, s): (1, 1, 1, 12).
•
Autocorrelación (ACF): Usada para determinar el orden.
•
Autocorrelación parcial (PACF): Usada para determinar el orden.
7.- SARIMA (Modelo Autorregresivo Integrado de Media Móvil Estacional)
Descripción:
Se implementó el modelo Random Forest, un modelo de aprendizaje automático basado en conjuntos de
árboles de decisión, para capturar relaciones no lineales complejas en los datos.
Código:
rf_model = RandomForestRegressor(n_estimators=100)
rf_model.ft(X, y)
predictions = rf_model.predict(X)
data.loc[1:,
“random_forest”
] = predictions
Parámetros/Indicadores clave:
•
Número de árboles (n_estimators): 100.
•
Profundidad de los árboles (max_depth): Sin límite (por defecto).
8.- Red Neuronal
Descripción:
Se implementó una Red Neuronal con capas densas para aprender patrones no lineales complejos en los
datos. Este modelo fexible requirió un ajuste cuidadoso para evitar el sobreajuste.
Código:
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(units=50, activation=
”relu”
, input_dim=1))
model.add(tf.keras.layers.Dense(units=50, activation=
”relu”
))
model.add(tf.keras.layers.Dense(units=1, activation=
”linear”
))
model.compile(optimizer=
”adam”
, loss=
”mean_squared_error”
)
model.ft(scaled_data, scaled_data, batch_size=10, epochs=20)
131
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Parámetros/Indicadores clave:
•
Arquitectura:
3 capas (1 entrada, 2 ocultas, 1 salida).
•
Neuronas por capa:
50 en capas ocultas, 1 en la capa de salida.
•
Funciones de activación:
relu
en capas ocultas,
linear
en la capa de salida.
•
Optimizador:
adam.
•
Función de pérdida:
mean_squared_error.
9.- LSTM (Red neuronal recurrente)
Descripción:
Se implementó un modelo LSTM, un tipo de red neuronal recurrente, para capturar dependencias a largo
plazo en los datos, especialmente útil para series de tiempo con patrones complejos y dependencias
temporales.
Código:
model_lstm = keras.Sequential()
model_lstm.add(LSTM(units=50, activation=
”relu”
, input_shape=(n_input, 1)))
model_lstm.add(keras.layers.Dense(1))
model_lstm.compile(optimizer=
”adam”
, loss=
”mean_squared_error”
)
model_lstm.ft(generador, epochs=50)
Parámetros/Indicadores clave:
•
Arquitectura:
2 capas (1 LSTM, 1 salida).
•
Unidades LSTM
: 50.
•
Función de activación:
relu
en capa LSTM (considerar tanh como alternativa),
linear
en la capa de salida.
•
Optimizador:
adam.
•
Función de pérdida:
mean_squared_error.
•
Longitud de la secuencia (n_input):
3.
Análisis del impacto del modelo a nivel empresarial
El caso de estudio de la empresa Grupo Montalvo es representativo debido a su posicionamiento como
uno de los principales distribuidores de medicamentos en la zona norte y resalta la importancia de
contar con sistemas que permitan gestionar de manera precisa la demanda, asegurando la disponibilidad
continua de productos críticos y evitar impactos que pueden traducirse en altos costos de almacenamiento,
rupturas de stock y pérdida de competitividad en el mercado.
La implementación del modelo de predicción de demanda basado en inteligencia artifcial
permitió a la empresa anticipar patrones de consumo complejos y no lineales con un nivel de precisión
signifcativamente superior al de los métodos tradicionales. Esta capacidad predictiva redujo el margen de
error de inventario, optimizó la planifcación de compras y disminuyó los riesgos de desabastecimiento,
factores fundamentales para una operación efciente en un mercado farmacéutico sometido a estrictas
regulaciones y alta sensibilidad social. El modelo no solo mejoró la efciencia logística interna, sino
que también fortaleció la resiliencia de la empresa ante cambios bruscos en la demanda, habilitando
decisiones basadas en datos en tiempo real.
Estos resultados evidencian cómo la adopción de inteligencia artifcial en la gestión de la cadena
de suministro no solo representa una innovación tecnológica, sino una ventaja competitiva estratégica
132
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
para el sector farmacéutico. Grupo Montalvo, a través de esta iniciativa, se posiciona como un referente
en la transformación digital de procesos logísticos, demostrando que el uso adecuado de modelos
predictivos puede convertirse en un factor diferenciador en mercados altamente dinámicos.
Conclusiones
El modelo de Red Neuronal (Neural Network) presentó el mejor rendimiento en cuanto a las métricas de
desempeño, como el MSE, RMSE, MAE y MAPE, lo que lo posiciona como el modelo más adecuado
para la predicción de la demanda en este caso específco. Este hallazgo es consistente con estudios
previos que sugieren que las redes neuronales pueden ser efectivas para capturar patrones no lineales
complejos, especialmente en series temporales con fuctuaciones importantes.
Random Forest y LSTM mostraron una baja precisión en comparación con la Red Neuronal,
especialmente en términos de RMSE y MAPE, lo que indica que aunque son poderosos para tareas de
predicción, su desempeño no fue el esperado al modelar este tipo de datos de demanda. Es posible que
el alto grado de variabilidad en la serie temporal haya interferido con la capacidad de estos modelos para
capturar los patrones exactos de la demanda.
Los modelos ARIMA y SARIMA, tradicionalmente fuertes en la predicción de series temporales,
también mostraron una capacidad limitada para capturar las fuctuaciones complejas observadas en los
datos. Sin embargo, esto no resta valor a su utilidad en contextos donde las tendencias y estacionalidades
son más claras. En este caso, la variabilidad aleatoria de la demanda, probablemente infuenciada por
factores externos (como campañas de salud, cambios en el comportamiento de la prescripción, etc.),
difcultó la aplicación efectiva de modelos más tradicionales.
Los hallazgos de este estudio tienen implicaciones directas para la industria farmacéutica, ya
que las predicciones precisas de la demanda de medicamentos son cruciales para optimizar la gestión de
inventarios, la planifcación de producción y la toma de decisiones comerciales. La Red Neuronal como
modelo predictivo podría ser una herramienta valiosa para mejorar estos procesos, contribuyendo a
reducir costos y garantizar la disponibilidad de Clonazepam 2 mg de manera más efciente, adaptándose
a los cambios en la demanda.
A pesar de que el modelo utilizado logró realizar predicciones relativamente precisas, los datos
mostraron un alto grado de fuctuación, lo que refeja las incertidumbres inherentes a la demanda de
medicamentos. Este fenómeno resalta la necesidad de desarrollar modelos aún más fexibles y adaptables
que puedan ajustarse rápidamente a cambios abruptos en los patrones de consumo, como los provocados
por crisis de salud pública o cambios en las políticas sanitarias.
Las futuras investigaciones podrían enfocarse en incorporar más factores externos en los modelos
predictivos, como el impacto de políticas públicas, crisis de salud, o cambios económicos. Además, se
podría profundizar en el uso de modelos adaptativos que sean capaces de ajustarse a situaciones de alta
volatilidad o eventos imprevistos. La exploración de técnicas de análisis en tiempo real que permitan
hacer ajustes en la cadena de suministro en función de las predicciones puede ser un área de interés para
estudios futuros.
133
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Recomendaciones
Se recomienda adoptar el modelo de Red Neuronal como la principal herramienta para la predicción de
la demanda de medicamentos, debido a su capacidad para captar patrones no lineales complejos y su
rendimiento superior en términos de métricas como MSE, RMSE, MAE y MAPE.
Aunque Random Forest y LSTM tienen potencial, se sugiere revisar y ajustar sus parámetros, así
como explorar la combinación de modelos o técnicas de preprocesamiento para mejorar su desempeño y
adaptabilidad frente a series temporales con alta variabilidad.
Los modelos ARIMA y SARIMA, a pesar de ser efectivos en series temporales con patrones
más claros, podrían ser complementados con técnicas adicionales que ayuden a capturar fuctuaciones
impredecibles, permitiendo que su uso sea más efciente en situaciones con alta volatilidad en la demanda.
Se recomienda integrar el modelo de Red Neuronal en la gestión de inventarios y planifcación
de producción dentro de la industria farmacéutica, ya que puede optimizar estos procesos y mejorar la
disponibilidad y reducción de costos en la distribución de medicamentos como el Clonazepam 2 mg.
Debido a la alta fuctuación observada en la demanda de medicamentos, es necesario desarrollar
modelos predictivos más adaptables y fexibles, capaces de ajustarse rápidamente a cambios abruptos,
como los provocados por emergencias sanitarias o cambios en las políticas de salud.
Se sugiere incorporar factores externos como políticas públicas, crisis de salud o cambios
económicos en los modelos predictivos, ya que estos pueden infuir signifcativamente en la demanda.
La investigación en técnicas de análisis en tiempo real también podría ser clave para mejorar la toma de
decisiones y la planifcación dinámica de la cadena de suministro.
134
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Referencias
Affonso, A. (2023). Concepto e importancia de la planifcación para las organizaciones. https://
professorannibal.com.br/2023/06/13/concepto-e-importancia-de-la-planificacion-para-las-
organizaciones/
Avilés Veintimilla, J. (2024). Modelación de viajes de carga para centros comerciales en ciudades de
países en vía de desarrollo. Universidad Nacional de Colombia
Breiman, L. (2019). Random forests. Machine Learning, 45(1), 5-32. https://doi.
org/10.1023/A:1010933404324
Chen, Z., & Zhang, Y. (2020). Predictive modeling for demand forecasting: A comprehensive
review. International Journal of Forecasting, 36(4), 1143-1161. https://doi.org/10.1016/j.
ijforecast.2020.01.009
Fisher, A., & Berman, M. (2021). Introducción al análisis de series temporales y su aplicación a la
demanda farmacéutica. Editorial Académica.
García, R., & Méndez, J. (2020). Modelos predictivos en la industria farmacéutica: Comparación
de técnicas estadísticas y de aprendizaje automático. Revista de Investigación en Ciencia y
Tecnología, 22(3), 55-70. https://doi.org/10.1016/j.rict.2020.07.009
Gutiérrez, M., & Polo, E. (2023). Inteligencia artifcial dentro de la cadena de suministros. [Tesis de
grado, Fundación Universitaria del Área Andina]. https://digitk.areandina.edu.co/handle/
areandina/5873
Lopes, S., Anunciaçao, P., & Madeira, F. (2021). Análisis de los desafíos del almacenamiento en la
economía 4.0. Economía industrial, 420, 117-124. https://n9.cl/nhrrm
Martínez, L. (2024). Números índices y series temporales. http://hdl.handle.net/10498/31443
Ortiz Guzmán, L. A. (2023). Propuesta de una cadena de suministro digital para la industria acuícola:
una mirada desde la sustentabilidad (Doctoral dissertation, Universidad del Desarrollo. Facultad
de Ingeniería).
Pérez, L. (2023). ¿Inteligencia artifcial y redes neuronales: cuál es la diferencia? Neurofash. https://
n9.cl/5a7s4
Pereda, M. (2021). ¿Qué es el análisis de la demanda y cómo hacer? Rock Content. https://rockcontent.
com/es/blog/analisis-de-la-demanda/
Pérez, M. (2022). Técnicas avanzadas de predicción en series temporales con Python. Editorial
Universitaria.
Rodríguez-Sánchez, A. E. (2024). La posibilidad de explicación científca a partir de modelos basados
en redes neuronales artifciales. Revista Colombiana de Filosofía de la Ciencia, 24(48).
Ruelas, E., & Laguna, J. (2014). Comparación de predicción basada en redes neuronales contra métodos
estadísticos en pronósticos de ventas. Ingeniería Industrial. Actualidad y Nuevas Tendencias,
4(12), 91-105. http://www.redalyc.org/articulo.oa?id=215037911008
Smith, J. (2022). El impacto de los modelos de predicción en la industria farmacéutica. HealthTech
Insights. https://www.healthtechinsights.com/impacto-modelos
135
Modelo de predicción de demanda para la
optimización de la cadena de suministros
Revelo Chacón, E. D., & Mafa Bolaños, I. G. (Enero - junio de 2025). Modelo de predicción de demanda para la optimización de la cadena de suministros.
Visión Empresarial
,
Vol. 15, Núm. 2, 112 – 135. https://doi.org/10.32645/13906852.1380
Villarreal, F. (2016). Introducción a los Modelos de Pronósticos. Universidad Nacional del Sur, 1-121.
https://www.matematica.uns.edu.ar/uma2016/material/Introduccion_a_los_Modelos_de_
Pronosticos.pdf
Zhang, G., Patuwo, B., & Hu, M. (1998). Forecasting with artifcial neural networks: The state of
the art. International Journal of Forecasting, 14(1), 35-62. https://doi.org/10.1016/S0169-
2070(97)00044-7